針對(duì)傳統(tǒng)的瓦斯?jié)舛阮A(yù)測(cè)算法預(yù)測(cè)精準(zhǔn)度低、魯棒性較差的問(wèn)題,提出一種改進(jìn)GRU網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)模型。將門(mén)控神經(jīng)網(wǎng)絡(luò)的輸入層替換為堆棧降噪自編碼器,在循環(huán)單元上加入Dropout層,優(yōu)化算法收斂速度。結(jié)果表明,在特定的數(shù)據(jù)樣本下,改進(jìn)的S-GRU算法模型比單一模型或組合模型在效率方面提升6%～30%,能夠有效提高瓦斯?jié)舛阮A(yù)測(cè)的精準(zhǔn)度。 

【文章來(lái)源】：黑龍江科技大學(xué)學(xué)報(bào). 2020,30(05)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

GRU結(jié)構(gòu)原理

經(jīng)過(guò)對(duì)SDAE與循環(huán)神經(jīng)網(wǎng)絡(luò)的相關(guān)研究,搭建了一個(gè)基于改進(jìn)門(mén)控神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)S-GRU模型。該模型為自上而下的組合模型,將收集來(lái)的瓦斯?jié)舛葦?shù)據(jù)以向量的形式,輸入到堆棧降噪自編碼器,而后經(jīng)過(guò)自編碼器特征提取后輸入到GRU網(wǎng)絡(luò)結(jié)構(gòu)。由于堆棧降噪自編碼器具有較好的特征提取能力,并且降噪自編碼器本身具有較強(qiáng)的魯棒性,可以有效提升模型整體魯棒性。該模型未使用傳統(tǒng)的單一循環(huán)神經(jīng)網(wǎng)絡(luò),為了避免由于數(shù)據(jù)樣本的數(shù)量影響實(shí)驗(yàn)結(jié)果,采用雙層GRU網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)瓦斯?jié)舛取＞唧w模型算法流程如圖2所示。由圖2可見(jiàn),提取瓦斯?jié)舛仍紨?shù)據(jù),將其轉(zhuǎn)化為向量

從圖3可以看出,S-GRU模型在RMSE評(píng)價(jià)指標(biāo)瓦斯?jié)舛阮A(yù)測(cè)性能方面表現(xiàn)出來(lái)的性能優(yōu)于對(duì)比原生模型。S-GRU模型的RMSE平均值為0.05,對(duì)比模型中最優(yōu)值是GRU網(wǎng)絡(luò)的0.077。設(shè)置S-LSTM、S-RNN組合模型作為對(duì)比模型,RMSE對(duì)比結(jié)果如圖4所示。由圖4可見(jiàn),對(duì)比S-GRU模型的預(yù)測(cè)結(jié)果比S-LSTM提高約6%。

【參考文獻(xiàn)】：
期刊論文
[1]基于支持向量機(jī)的礦井瓦斯?jié)舛阮A(yù)測(cè)應(yīng)用研究[J]. 趙華天.  煤炭科技. 2018(04)
[2]煤礦綜采工作面瓦斯?jié)舛阮A(yù)測(cè)模型[J]. 李歡,賈佳,楊秀宇,宋春儒.  工礦自動(dòng)化. 2018(12)
[3]深度學(xué)習(xí)耦合粒子群優(yōu)化SVM的瓦斯?jié)舛阮A(yù)測(cè)[J]. 錢(qián)建生,邱春榮,李紫陽(yáng),吳響.  煤礦安全. 2016(11)
[4]基于SVM耦合遺傳算法的回采工作面瓦斯涌出量預(yù)測(cè)[J]. 董曉雷,賈進(jìn)章,白洋,樊程程.  安全與環(huán)境學(xué)報(bào). 2016(02)
[5]基于灰色理論-BP神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測(cè)研究[J]. 李長(zhǎng)興,魏國(guó)營(yíng).  煤炭技術(shù). 2015(05)
[6]基于K-CV&SVM的工作面煤層瓦斯含量預(yù)測(cè)[J]. 劉濤,賈進(jìn)章.  世界科技研究與發(fā)展. 2015(02)



本文編號(hào)：3036702